Haralick texture feature analysis for characterization of specific energy and absorbed dose distributions across cellular to patient length scales
Notice bibliographique
Résumé
Abstract Objective. To investigate an approach for quantitative characterization of the spatial distribution of dosimetric data by introducing Haralick texture feature analysis in this context. Approach. Monte Carlo simulations are used to generate 3D arrays of dosimetric data for 2 scenarios: (1) cell-scale microdosimetry: specific energy (energy imparted per unit mass) in cell-scale targets irradiated by photon spectra ( 125 I, 192 Ir, 6 MV); (2) tumour-scale dosimetry: absorbed dose in voxels for idealized models of 125 I permanent implant prostate brachytherapy, considering ‘TG186’ (realistic tissues including 0% to 5% intraprostatic calcifications; interseed attenuation) and ‘TG43’ (water model, no interseed attenuation) conditions. Five prominent Haralick features (homogeneity, contrast, correlation, local homogeneity, entropy) are computed and trends are interpreted using fundamental radiation physics. Main results. In the cell-scale scenario, the Haralick measures quantify differences in 3D specific energy distributions due to source spectra. For example, contrast and entropy are highest for 125 I reflecting the large variations in specific energy in adjacent voxels (photoelectric interactions; relatively short range of electrons), while 6 MV has the highest homogeneity with smaller variations in specific energy between voxels (Compton scattering dominates; longer range of electrons). For the tumour-scale scenario, the Haralick measures quantify differences due to TG186/TG43 simulation conditions and the presence of calcifications. For example, as calcifications increase from 0% to 5%, contrast increases while correlation decreases, reflecting the large differences in absorbed dose in adjacent voxels (higher absorbed dose in voxels with calcification due to photoelectric interactions). Significance. Haralick texture analysis provides a quantitative method for the characterization of 3D dosimetric distributions across cellular to tumour length scales, with promising future applications including analyses of multiscale tissue models, patient-specific data, and comparison of treatment approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».